Introdução a Banco de Dados (BD), Conceitos de BD e histórico, Modelos de BD, BD Modelo.Relacional, SQL básico, NoSQL.Linguagem R.Data Types, Subsetting, Vectorization, Reading and Writing Data, Control Structures, Functions,   (lapply, apply, tapply), Debugging, Charts (base graphics, lattice), Machine Learning packages for R,   Linguagem Python, Language basics, IPython / Anaconda, NumPy, ScyPy, pandas, scikit-learn,   matplotlib.

Matemática/Cálculo.Teoria dos conjuntos. Números reais. Funções reais. Polinômios.logaritmos.exponenciais e funções trigonométricas.Gráficos de funções. Derivadas. Introdução a Integrais. Máximos e mínimos de funções contínuas.Álgebra Linear.Espaços vitoriais.combinações lineares. Produto interno e produto vetorial. Dependência linear. Matrizes.determinantes. Equações de retas e planos. Transformações lineares e bases. Ortogonalidade. Autovalores e autovetores. Introdução à Lógica Proposicional. Revisão de Análise Combinatória.

Python.Configuração de ambiente de trabalho para programação (instalação dos programas usados e como trabalhar em IDE - Integrated Development Environment). Tipos de variáveis. Sintaxe básica. Operadores e estruturas de decisão. Funções mais comuns. Manipulação de dados (pandas, numpy e scipy). Interação do Python com a web. Interação com bancos de dados SQL. Visualização. "R"Tipos de objetos. Sintaxe básicas. Estruturas de decisão. Funções estatísticas mais comuns. Visualização de dados.

Introdução.histórico e importância.Fatores humanos e percepção.Princípios de design de informação visual.Conceitos de Computação Gráfica e Imagem.Formas de visualização, para: Dados tabulares.multidimensionais e estatísticos.Hierarquias e árvores.Grafos e redes.Textos e documentos.Dados georreferenciados e temporais.Explicações.animações e causalidade.Técnicas de visualização interativas, para: Visão geral e detalhe.Projeções de alta dimensão. ícones.Navegação e zoom.Seleção e Brushing.Linking.Manipulação.Mapeamento de legenda e estilos.Avaliação da visualização.Laboratórios práticos.Visualização espacial de dados utilizando Google.Maps e ArcGIS Online.Criação de produtos de dados (data products) utilizando Tableau Desktop e Server. Criação de produtos de dados utilizando R and Shiny.

Introdução a Aprendizado de Máquinas e Reconhecimento de Padrões.Teoria de probabilidade.Teoria da decisão. Distribuições de Probabilidade. Variáveis binárias e multinomiais.Distribuições Gaussianas.Família das distribuições exponenciais. Modelos Lineares para Regressão, Modelos lineares de funções básicas.Regressão Bayesiano linear. Modelos Lineares para Classificação.Funções discriminantes.Modelos generativos probabilísticos.Modelos discriminativos probabilísticos. Máquinas de Sparse Kernel.Vector Machines (SVM).Relevance Vector Machines (RVM). Gráficos.Redes Bayesianas.Markov Random Fields (MRF).Inferência em modelos gráficos. Inferência Aproximada.Métodos Monte Carlo.Métodos Variacionais. Variáveis Latentes Contínuos.Análise dos componentes principais (PCA), PCA probabilísticos. Modelos de Dados Sequenciais.

Utilização integrada do conteúdo apresentado nas disciplinas do Curso.Entrega de incrementos funcionais relativos ao 1º semestre.Customização do conteúdo de um produto a ser entregue pelos alunos ao término do semestre.

Conhecer o ciclo de vida dos dados.as funções necessárias e as métricas fundamentais. Principais funções nas equipes de Analytics. Definir um plano que permita conhecer os mecanismos mais efetivos para utilizar a informação e tomar decisões de negócio, diante de diferentes problemáticas. Ciclo de vida dos dados e fluxo de trabalho em Data Analytics. Funções e habilidades necessárias em uma equipe de Data Analytics. Cultura de dados.qualidade dos dados.tipos de dados. Digital Analytics. introdução. aplicabilidade. frameworks e habilidades necessárias. Google Analytics: Apresentação das funcionalidades básicas da ferramenta. Business Metrics: KPI x KSI. Necessidades de informação das partes envolvidas interna e externamente.

Estatística: Definições estatísticas básicas.Tipos de variáveis.População.Amostra.Parâmetro.Estimativa.Matriz de dados.Índices.Escalas e indicadores estatísticos.Atribuição de pontos em escalas.Validade de índices.Principais indicadores estatísticos..Indicadores eleitorais.Educacionais, sócio-demográficos.Tipologias. Produção de questionários e definição de amostras;O que é um survey.Tipos de surveys.Estrutura do questionário.Pré-teste.Produção de questionário de opinião pública. Pesquisa quantitativa em fontes primárias meios digitais. Medidas de tendência central e variabilidade.Médias, mediana, moda; Medidas de posição.Coeficiente de variação.Medidas de assimetria ou curtose.Coeficientes de correlação.Coeficientes de determinação.Coeficientes de alienação.Conceito de probabilidade.Intervalo de confiança.Hipóteses estatísticas.Nível de significância.Provas de independência.Análise de variância.Comparações múltiplas.

Definição da decisão e tipos de decisão.Análise de cenários.Atores da decisão.Vozes dos acionistas.Funcionários e outros. Tautologia.Contradição e contingência. Condições de decisão e tipos de problemas.Técnicas e modelos para tomada de decisão. Relações intergrupais.Interorganizacionais e interculturais Escolha entre conflito e cooperação Métodos de cooperação intergrupal. Cooperação intergrupal entre culturas internacionais e regionais.Silogismo.Argumento.Validade de um argumento (através da tabela-verdade).    

Otimização não linear.Redes neurais.Otimização e incerteza.Rogramação linear.Simulação de Monte Carlo.Análise de desempenho comparado (DEA).Redes neurais.Sistemas dinâmicos.Otimização não linear.Comparação de métodos evolutivos x algoritmos de início múltiplo.Bootstrapping.Aplicações: lançamento de novos produtos.Evolução de market-share.Gestão de incerteza.Otimização.Método neutro em relação ao risco.Fórmula de Black-Scholes.Precificação por simulação de Monte Carlo.Precificação pelo método binomial. Opção de organização de cenários futuros.

Utilização integrada do conteúdo apresentado nas disciplinas do curso, no segundo semestre.Entrega de incrementos funcionais, a cada período.Produção e customização do conteúdo de um produto a ser entregue pelos alunos ao término do semestre.

Armazenamento de large-scale collections. Teoria e prática na recuperação de informações em ambiente de Big Data. Extração de dados.Sua transformação e seu carregamento de data warehouses. Métodos tradicionais de recuperação de informação. Gerenciamento de banco de dados. Gerenciamento de dados complexos.Dados multimídia.Dados geográficos.Dados temporais.Computação paralela massiva usando MapReduce/Hadoop. Obtendo e "limpando" dados. Arquitetura de Data warehouse. Arquitetura de Cloud computing. Inserção de dados.    

Introdução ao Big Data.Componentes de Big Data.Introdução ao Hadoop.Aplicações de Hadoop e HDFS.Framework Hadoop MapReduce.Componentes do Hadoop.Introdução ao Spark.Bases de dados distribuídas resilientes.Programação de Aplicações em Spark.Configuração.Monitoramento e Ajustes em Ambientes Spark.

Gestão de mídias sociais. O analista de mídias sociais. Planejamento das mídias sociais. Netnografia e o comportamento do consumidor nas mídias sociais. Monitoramento das mídias sociais. Planejamento e gestão de web marketing. Gestão de conteúdo. Arquitetura da informação para mídias sociais. Inovação e Empreendedorismo digital. Análise de métricas. Otimização de sites. SEO (Search Engine Optimization). Google Analytics.Facebook marketing. Segurança da informação. Privacidade na rede. comportamental. Como utilizar/minerar as Redes Sociais. Algoritmos e Prática de Análise de Redes Sociais.Extração de dados de redes sociais em tempo real utilizando APIs como Twitter, Facebook and LinkedIn.Análise de Sentimentos. Detecção de Comunidades. Análise de Vínculos/Grafos (Link/Graph Analysis). PageRank. Hubs and Authorities. SPARQL and Relational Algebra for Graph Query. Visualização de grafos de redes sociais - Gephy.

Introdução à Inteligência Artificial (IA). Conceitos. Evolução histórica. Aplicações e perspectivas.Métodos de busca: Busca cega. Busca heurística. Busca competitiva. Representação do conhecimento.Formalismos de representação do conhecimento. Sistemas baseados em conhecimento. Paradigmas de programação: Lógico. Funcional. Aprendizado supervisionado. Aprendizado não-supervisionado. Aplicações de IA. Processamento de linguagens naturais. Jogos. Robótica. Mineração de Dados.

Problemas.dados.Ferramentas. Overfitting. Complexidade.Treinamento.Validação de dados de teste. Problemas de classificação. Fronteiras de decisão. Métodos de vizinhos mais próximos. Probabilidade e classificação 6. Naïve Bayes.Distribuições.Classificadores lineares.Redução de Dimensionalidade.PCA e LDA. Algoritmos evolucionários. Redes neurais. Métodos de ensemble: bagging e boosting Validação e comparação de algoritmos. Validaçãoao cruzada.Testes de Wilcoxon e Friedman.Correçãoao de Bonferroni-Dunn.Aprendizado não supervisionado.clustering, k-médias. Representações textuais e modelos multinomiais.Clustering e espaçoos latentes. Dimenção VC.Minimização do risco.Métodos de classificação baseados em margens. Support Vector Machines para uma, duas ou mais classes.

Utilização integrada do conteúdo apresentado nas disciplinas do curso, no segundo semestre.Entrega de incrementos funcionais, a cada período.Produção e customização do conteúdo de um produto a ser entregue pelos alunos ao término do semestre.

Governança, Risco e Compliance Estruturas e Modelos de Governança Padrões e Regulamentações (ISO 38500, ISO 15504, ISO27001, ISO 27002, ISO 27014, COBIT 5, BACEN 4.658 e PCI-DSS) Estrutura e papéis de uma área de Cibersegurança Ferramentas de apoio à Governança Natureza Bimodal da Gestão dos Negócios e da TI Sourcing de Serviços de Segurança da Informação OPBOK - Outsourcing Professional Body of Knowledge RFP - Processo, Estrutura, Seleção, Negociação e Contratação de Serviços SI. Marcos regulatórios no Brasil e no mundo. Investigação dos Crimes eletrônicos no ambiente corporativo (interceptação de dados, ata notarial, ransomware e concorrência desleal) Responsabilidades civil, criminal e trabalhista Regulamentos Internos em Cibersegurança Privacidade e Proteção de Dados (GDPR e LDPD) Direito em Inteligência Artificial e IoT. Uso de Inteligencia Artificial aplicada a segurança, Regulamentação das Moedas eletrônicas e blockchain.